人工蜂群算法搜索策略的改进

随着生活水平的提高、需求的多样化,世界科技的迅猛发展,在科学研究和工程应用等领域中的优化问题变得更为复杂,而传统的简单算法已经不能解决这些优化问题,因而如何设计出新的算法有效地解决它们成为各国学者比较热衷的研究领域。而智能优化算法对解决多目标、高维度、不可微、不连续等复杂问题上具有良好的表现,受到了众多研究者的极大关注。人工蜂群算法(Artificial bee colony algorithm,简称ABC)是受自然界中蜜蜂采蜜过程的启发而提出。该算法结构简单、参数少、易于实现等特点使其自提出之后就受到研究人员的追捧。然而,与其它的智能算法类似,传统人工蜂群算法存在着收敛速度慢、开采能力不足,易陷入局部最优无法找到全局最优解等问题。针对这些问题,本文以加快算法的收敛速度、平衡开采和探索能力以及避免陷入局部最优为主要目标,提出了两种改进的人工蜂群算法。所做的主要工作如下:(1)综述了人工蜂群算法和另外两种常见的智能优化算法提出的思想、基本原理以及算法过程,阐述了人工蜂群算法在搜索策略、参数设置、初始化阶段等方面的改进和在各个领域的应用。(2)为解决传统人工蜂群算法收敛速度慢、探索和开采不平衡以及易陷入局部最优的问题,在算法中引入由当前最优解引导和随机采样的高斯分布加权搜索策略;其次引入控制维度变化的参数,使种群中每代每一个体不止改变一个维度,加快收敛的速度;在雇佣蜂阶段引入包含即将舍弃解中有效信息的高斯方程来产生新解。对改进的算法进行数值实验,实验结果表明改进的算法与标准ABC相比有更好的求解质量,求解精度、稳定性和收敛速度有一定的提高,与GBABC相比,算法的性能有一定的改善。(3)由于基本的人工蜂群算法开采能力不足,而且任何单一的算法不能解决所有的问题的特点,提出了一种基于人工蜂群算法与差分演化算法的混合算法。该算法利用全局最优个体引导解的更新方向,加快搜索速度;利用基于候选解是否成功进入下一代的信息的算法选择策略将两种算法结合一起,加快收敛速度和避免陷入局部最优。对混合算法进行仿真实验,实验结果表明该算法在处理单峰函数问题上有显著的优势,在处理复杂函数问题上表现出了一定的优势。